Apr, 2023

使用双卷积神经网络与跳跃连接进行图像盲去噪

PDF
TL;DR本文介绍了一种名为 DCBDNet 的新型卷积神经网络，该网络通过跳跃连接实现了在模型复杂性和降噪效果之间的理想平衡。实验证明，该网络可以在多个合成和现实世界的图像去噪基准数据集上实现有效的高斯噪声去除，在模型结构简单的情况下可以获得与含复杂结构的最先进去噪模型相当的去噪性能。
deep convolutional neural networksimage denoisingdcbdnetskip connectionmodel complexity
发现论文，激发创造
  • DCANet: 注重注意力的双卷积神经网络用于图像盲去噪

    本文提出了一种新的基于深度神经网络、采用注意力机制的图像盲去噪方法 ——DCANet，该方法采用了双重 CNN 结构和噪声估计网络，实现了对实际噪声和合成噪声的有效压制。

    Apr, 2023

  • 面向真实照片的卷积盲降噪

    该研究提出了使用真实噪声模型和真实的噪声 - 清晰图像对训练卷积盲去噪网络 (CBDNet) 来提高深度卷积神经网络去噪模型的泛化能力，并嵌入了噪声估计子网络，以提供一种交互式策略来纠正去噪结果，实验结果显示 CBDNet 在实际噪声照片的三个数据集上表现优异。

    Jul, 2018

  • 高效盲点神经网络图像去噪架构

    用卷积神经网络进行图片去噪是计算摄影学中重要的工具，本研究提出了一种新的全卷积网络结构，使用扩张卷积实现盲点性质，该网络在已有数据集上表现优于之前的工作并取得了最新成果。

    Aug, 2020

  • 单图像去噪的空间自适应网络

    本文提出了一种新颖的空间自适应去噪网络（SADNet），使用卷积神经网络，设计了残差空间自适应块，在采样时引入可变变形卷积以加权样本的空间相关特征，并引入了具有上下文块的编码器 - 解码器结构以捕获多尺度信息，通过从粗到细的噪声去除，可以获得高质量的无噪声图像。在实验结果中，我们的方法在量化和视觉上均优于现有的去噪方法。

    Jan, 2020

  • 基于无偏卷积神经网络的鲁棒且可解释的盲图像去噪

    该论文研究了卷积神经网络中添加偏差项对去噪性能的影响，发现使用无偏差的神经网络可以更稳健地处理不同噪声水平下的图像去噪问题。

    Jun, 2019

  • 双卷积神经网络

    本文提出了一种新的卷积神经网络模型，称为双卷积神经网络，该模型通过共享权重参数进行优化，在图像分类领域有着显著的性能提升。在 CIFAR-10，CIFAR-100 和 ImageNet 等图像分类基准测试中，该模型的性能均显著优于其他竞争模型。同时，本文还说明了双卷积神经网络在多方面性能均有体现，既可以构建更准确的模型，又可以以牺牲一定准确性的代价来减少模型的内存占用。

    Oct, 2016

  • 图像去噪的增强 CNN

    本文提出了一种名为增强卷积神经去噪网络（ECNDNet）的新方法，通过使用残差学习和批量归一化技术提高了训练效果并加速了网络的收敛。此外，提议的网络使用扩张卷积增大了上下文信息，降低了计算成本，并在广泛实验中证明了 ECNDNet 优于图像去噪的现有最先进方法。

    Oct, 2018

  • 图像去噪的双残差注意力网络

    本文提出了一种基于 Dual-branch Residual Attention Network（DRANet）的图像降噪方法，通过增宽网络结构和注意力机制获得更好的去噪效果。实验证明，相比于其他已有的方法，该方法能够更好地处理合成和真实场景下的噪声。

    May, 2023

  • 设计和训练一种用于图像去噪的双卷积神经网络

    本文介绍了一种名为 DudeNet 的基于深度卷积神经网络 (DCNNs) 的图像去噪算法，其通过全局特征提取、局部特征提取以及两者融合的方式实现图像去噪，达到了优于同类算法的效果。

    Jul, 2020

  • 通用去噪网络：一种新颖的用于图像去噪的 CNN 架构

    我们设计了一种新颖的网络架构，用于学习区分图像模型，以有效地解决灰度和彩色图像去噪问题。所提出的模型能够使用一组学习参数来处理广泛的噪声水平，同时对于降低潜在图像的噪声与训练期间使用的噪声统计不匹配时表现出非常强的稳健性。

    Nov, 2017